Изучение особенностей применения метода группового учета аргументов

Страницы работы

Уважаемые коллеги! Предлагаем вам разработку программного обеспечения под ключ.

Опытные программисты сделают для вас мобильное приложение, нейронную сеть, систему искусственного интеллекта, SaaS-сервис, производственную систему, внедрят или разработают ERP/CRM, запустят стартап.

Сферы - промышленность, ритейл, производственные компании, стартапы, финансы и другие направления.

Языки программирования: Java, PHP, Ruby, C++, .NET, Python, Go, Kotlin, Swift, React Native, Flutter и многие другие.

Всегда на связи. Соблюдаем сроки. Предложим адекватную конкурентную цену.

Заходите к нам на сайт и пишите, с удовольствием вам во всем поможем.

Содержание работы

Министерство образования и науки РФ

Федеральное агентство по образованию

Новосибирский государственный технический университет


Кафедра вычислительной техники

Лабораторная работа №2

По дисциплине «Системы искусственного интеллекта»

Метод группового учета аргументов

Факультет:          АВТ

Группа:                АМ - 609

Студент:               Новиков А.В.

Преподаватель:  Швайкова И. Н.

Новосибирск 2010


Содержание


Содержание.................................................................................................... 2

Цели работы................................................................................................... 3

1.Задание......................................................................................................... 3

2.Исходные данные........................................................................................ 3

3.Ход выполнения работы............................................................................. 3

5.Вывод......................................................................................................... 11


Цели работы

Изучение особенностей применения метода группового учета аргументов

1.  Задание

  1. Закрепить на практике теоретические знания об алгоритме и особенностях применения метода группового учета аргументов.

  2. Изучить функционал модуля, позволяющего генерировать совокупности моделей на основании подготовленных данных, представленных в виде файлов данных формата .xls.

  3. В соответствии с вариантом сгенерировать множества моделей, проана-лизировать их характеристики, выбрать наилучшие.

2.  Исходные данные

Исходные данные  находятся на первом листе файла Отчета по ЛР2-3 СИИ.xls (Шаг 1)

3.  Ход выполнения работы

1.  Получение необходимых сегментов данных и объединение их в один массив данных (Шаг 2, Шаг 3)

2. Реорганизация полученного массива данных и построение графиков зависимости выходных параметров от входных. Графики построены на страницах (граф_1 _Погода, граф_2 _вода)

Выводы на основе полученных графиков по погоде:

1.  Между параметрами WDSP и TEMP_C нету функциональной зависимости. Раположение точек на данном графике очень велико друг от друга следовательно для прогнозирования значения выходного параметра на основе данных о WDSP лучше подходят нейронные сети.

2.  На графике зависимости TEMP_C от VISIB мы видим кластеры данных, т.е. прогноз TEMP_C на основе VISIB не будет точным.

3.  На графике, показывающем влияние STP на TEMP_C нет никакой зависимости, следовательно прогноз на основе данных об этом параметре лучше проводить с использованием нейронных сетей.

4.  На графиках зависимости DEWP и TEMP_C(вх) прослеживается линейная зависимость между этими параметрами и TEMP_C. Это значит, что прогнозирование значения выходного параметра на основе данных о DEWP и TEMP_C(вх) лучше подходит МГУА.

Выводы на основе полученных графиков по воде:

1.  На графике, показывающум влияние параметра TEMP_C на Troubl_r прослеживаются линейные зависимости следовательно прогноз на основе данных об этих параметрах лучше проводить с использованием МГУА.

2.  График зависимости между параметрами DEWP, pH_r и Troubl_r на выходное значение показывает кластеризацию данных, т.е. прогноз на основе этих данных будет иметь довольно высокую точность.

3.  График зависимости параметра Alcal_r на Troubl_r возможно прослеживание линейной зависимости, но и с другой стороны можно сказать о кластеризации данных в разных областях.

3. Генерация совокупностей моделей с помощью модуля МГУА и выбор лучших моделей в каждом эксперименте.

4.4. Генерация совокупностей моделей с помощью модуля МГУА и выбор лучших моделей.

        4.4.1. Модели, полученные на основании данных о погоде.

№ экспери- мента

№ модели

Max степень

Суммар- ная степень

Кол-во перемен- ных

Delta

Степень свободы

Размер об. мн-ва

1

1

3

44

8

8,75182826711132

25

70

1

8

3

42

8

8,78280808696589

25

70

1

25

3

39

8

8,81451478976511

25

70

2

5

5

40

8

9,76777662812096

20

65

2

3

4

40

8

9,76664404192067

20

65

2

1

5

41

8

9,75446738644259

20

65

3

2

4

34

8

10,4587978661901

15

65

3

2

4

33

8

10,4416055388029

15

65

3

8

4

32

8

10,4981675631977

15

65

4

3

4

21

8

11,8992352408531

25

60

4

2

4

23

8

11,8966451637023

25

60

4

1

4

22

8

11,8924500694224

25

60

5

3

2

13

7

12,0219872958215

15

60

5

2

3

15

7

12,0051738388657

15

60

5

1

3

16

7

11,9902256388038

15

60




Похожие материалы

Информация о работе

Уважаемые коллеги! Предлагаем вам разработку программного обеспечения под ключ.

Опытные программисты сделают для вас мобильное приложение, нейронную сеть, систему искусственного интеллекта, SaaS-сервис, производственную систему, внедрят или разработают ERP/CRM, запустят стартап.

Сферы - промышленность, ритейл, производственные компании, стартапы, финансы и другие направления.

Языки программирования: Java, PHP, Ruby, C++, .NET, Python, Go, Kotlin, Swift, React Native, Flutter и многие другие.

Всегда на связи. Соблюдаем сроки. Предложим адекватную конкурентную цену.

Заходите к нам на сайт и пишите, с удовольствием вам во всем поможем.